基于優化RBF網絡的港口船舶交通流量預測

郝 勇, 王 怡

(1. 武漢理工大學 航運學院， 武漢 430063； 2. 內河航運技術湖北省重點實驗室， 武漢 430063)

基于優化RBF網絡的港口船舶交通流量預測

郝 勇1,2, 王 怡1,2

(1. 武漢理工大學 航運學院， 武漢 430063； 2. 內河航運技術湖北省重點實驗室， 武漢 430063)

港口船舶交通流量預測能為港口規劃、交通管理提供決策支持。RBF神經網絡在交通流預測領域有著廣泛的應用，但其在網絡權值等參數的選取算法上存在缺陷。遺傳算法具有全局搜索速度快的優點，利用該算法對RBF神經網絡的權值進行遺傳操作，可獲得具有一定遍歷性的初始權值。文章嘗試將基于遺傳算法優化的RBF神經網絡應用到港口船舶交通流量預測領域并以蕪湖港為例進行驗證。結果顯示，優化后的RBF神經網絡的預測誤差比普通的RBF神經網絡小5%左右，表明優化后的RBF神經網絡計算量更小、識別速度更快、預測誤差更小，在港口船舶交通流量預測領域具有廣闊的應用前景。

水路運輸； 船舶交通流量； RBF神經網絡； 遺傳算法； 港口； 預測

港口是水陸交通的集結點和樞紐，對區域經濟發展具有十分重要的作用。港口船舶交通流量預測能夠為港口規劃、交通管理提供決策支持。

回歸預測法、時間序列預測法、灰色理論預測法在船舶交通流量預測方面存在局限性。[1]神經網絡因其簡單的網絡結構、快速的學習方法、較好的推廣能力，被廣泛應用于船舶交通流量預測領域并顯示出其優勢。有學者[2-3]分別采用反向傳播模型 (Back Propagation，BP)神經網絡與徑向基函數(Radial Basis Function，RBF)神經網絡預測寧波港船舶交通流量，結果表明，RBF神經網絡預測誤差更小，但其存在訓練速度慢、易陷入局部最優等缺點。

遺傳算法操作簡單，將其并行搜索能力結合到神經網絡的網絡權值訓練中，能為其搜索出具有全局遍歷性的初始點,保證網絡訓練收斂、減少訓練時間。[4]經遺傳算法優化的RBF神經網絡在公路短時交通流預測領域[5]的應用，顯示出其優勢。本文將基于遺傳算法的RBF神經網絡應用到港口船舶交通流量預測中，并以蕪湖港為例證明將優化后的RBF神經網絡應用到船舶交通流預測領域可以得到理想的效果。

1 RBF神經網絡及其優化

1.1RBF神經網絡

RBF神經網絡是MODDY和DARKEN于20世紀80年代末提出的一種特殊的具有單隱層的3層前饋函數，近幾十年來被廣泛應用于金融預測、模式識別、數據挖掘、交通流量預測等領域中。

RBF網絡由輸入層、隱含層和輸出層組成，其中各層節點數分別為n，k和m。輸入層節點只傳遞輸入信號到隱含層，隱含層常由高斯函數構成，輸出層通常為簡單的線性函數。[6]設預測模型的輸出只有一個節點，RBF神經網絡拓撲結構見圖1。由于輸入層、隱含層連接權值為1，故輸入向量無改變地送到每個隱節點，隱含層中的徑向基函數一般取高斯函數為

(i=1,2，…，m)

(1)

圖1 RBF神經網絡拓撲結構圖

在設計RBF神經網絡時，網絡權值等參數難以確定，如選擇不當，會引起網絡發散；而運用K均值聚類法和OLS算法并不能設計出最小結構的RBF網絡，相反會導致預測精度下降。[7-8]

1.2遺傳算法優化的RBF神經網絡

針對RBF神經網絡在參數選取上的不足，采用遺傳算法優化網絡權值的選取。將遺傳算法應用到網絡權值的優化上，其隱含并行性能夠克服權值訓練過程易陷入局部極小的困境，且擁有神經網絡的強大函數映射及逼近能力。[9]

設計遺傳算法時一般有幾個步驟要執行，即確定編碼方式、構造適應度函數，確定選擇、交叉、變異算子。針對RBF神經網絡結構的遺傳算法設計為:

1) 種群初始化。將需要進行優化的網絡權值進行二進制編碼，稱此二進制串為染色體，文中用長度為10位的二進制編碼串表示網絡權值中的每個值。隨機生成N個染色體，即為第一代個體。

2) 適應度函數。將每個個體的適應度函數選取為RBF網絡的期望輸出與實際輸出之差的絕對值的累加和的倒數。

(2)

式(2)中：yjk0為期望值；yjk為實際值。

3) 選擇。依據上式計算每個染色體的適應度值，然后按照輪盤賭法選擇進入下一代的染色體，并保留最優個體。

4) 交叉。交叉在遺傳算法中起著核心的作用，決定了遺傳算法的搜索能力。將復制后的染色體按一定的交叉概率pc進行基因交換，交叉位隨機選取。

5) 變異。將新產生的染色體采用自適應變異概率進行變異，取變異概率為pm=0.001-[1∶1∶Size]×0.001/Size，此處選取初始種群規模Size=30。

6) 判定。進化代數增加1，判斷是否達到最大進化代數，若是,則退出;否則，返回步驟“3)”，繼續下一代進化。遺傳算法和RBF神經網絡的結合流程見圖2。

圖2 遺傳算法優化的RBF神經網絡算法流程

2 港口船舶交通流量樣本數據的處理

用RBF神經網絡預測港口船舶交通流量時，交通流量數據的輸入主要有兩種方法。

1. 只要已知港口某幾個月的交通流量，便可推算未來月份的交通流量，它們之間存在非線性的函數關系。因此,可利用港口某幾個月的船舶交通流量數據列預測未來某月的船舶交通流量。例如,用2008年1—6月的交通流量預測7月份的交通流量；依此類推，這樣每年的交通流量數據都可以產生一個6×6的矩陣。這種方法可充分利用有限的交通流量數據，達到充分訓練神經網絡的目的，但是未能考慮水位、天氣等因素對交通流的影響。

2. 充分考慮水位、天氣、經濟等因素對港口船舶交通流量的影響，用同期的交通流數據列預測未知的交通流。例如，用2008—2011年1月份的交通流量預測2012年1月份的交通流量。采用這種方法預測出的交通流量比第一種方法的準確，但需要大量數據訓練神經網絡。

鑒于蕪湖港船舶交通流量數據有限，為充分利用數據，大量訓練神經網絡、減少預測誤差，采用第一種方法輸入交通流數據。以蕪湖港某6個月的船舶交通流量作為RBF神經網絡的輸入，對應下個月的交通流量作為輸出。選取蕪湖港2008年1月至2012年12月共60個月的船舶交通流量數據分別作為RBF神經網絡和優化的RBF神經網絡的學習及預測樣本。

為更好地表征船舶交通流量的概念，確切反映該港口船舶交通流量的規模和重要程度，將原始數據的船舶交通流量基于標準船轉化為加權船舶交通流量。[10]轉換方式見表1。經標準船轉換后的蕪湖港部分年份船舶交通流量見表2。

表1 標準船舶換算系數表

表2 蕪湖港2008—2009年船舶交通流量

3 蕪湖港船舶交通流量預測

3.1預測模型的建立

仿真實驗在MATLAB環境下進行，將處理后的30組港口船舶交通流數據中的24組數據進行網絡訓練，其余6組作為測試數據。采用得到的訓練數據對優化的RBF神經網絡進行訓練，構建神經網絡預測模型。選取蕪湖港當前6個月的交通流量數據列預測下個月的交通流量，則輸入節點數為6，輸出節點為1；RBF的網絡權值由遺傳算法優化得到。調用MATLAB中的premnmx函數[11]對經標準船換算后的蕪湖港船舶交通流量進行歸一化處理。

其中，遺傳算法初始種群數目取為30，進化代數G=180，交叉概率為Pc=0.6，變異概率取pm=0.001-[1∶1∶Size]×0.001/Size，此處選取初始種群規模Size=30。設預測誤差ts=0.001，神經網絡的輸入節點為6對應輸入向量的維數，輸出節點數為1對應預測月份的交通流量，隱層節點數根據經驗公式取為8左右(經驗公式：隱層節點數=log2n，其中n為輸入層個數)。

3.2預測結果

遺傳算法優化RBF神經網絡的訓練曲線和網絡權值最小誤差進化過程見圖3和圖4。

圖3 遺傳算法優化RBF網絡權值誤差進化過程

圖4 遺傳算法優化的RBF神經網絡訓練曲線

由圖3可知,遺傳算法優化的RBF神經網絡優化速度很快，網絡權值進化到20代以后即達到最小誤差。由圖4可知,遺傳算法可以并行搜索全局最優，得到的權值具有遍歷性，因此優化的RBF神經網絡訓練誤差曲線穩步下降不會陷入困境。

為了對比，用同樣的數據，采用普通的RBF神經網絡進行預測，兩種算法對應的預測誤差見圖5。

圖5 RBF神經網絡優化前后對應的預測誤差

由圖5可知,遺傳算法優化的RBF神經網絡預測誤差明顯小于普通的RBF神經網絡。分別用訓練好的普通RBF神經網絡和優化的RBF神經網絡預測2013年1—6月份蕪湖港的船舶交通流量，將預測結果進行反歸一化處理，得到表3所示的預測船舶交通流量。

表3 蕪湖港船舶交通流量預測結果

從表3可知，RBF神經網絡的預測值和交通流流量的實際觀測值的相對誤差在9.5%左右，而基于遺傳算法優化的RBF神經網絡的相對誤差在4.5%左右。說明 GA-RBF神經網絡具有比RBF神經網絡更強的預測和識別能力。優化的RBF神經網絡在港口交通流量預測的準確度上較以往有所提高，克服了普通神經網絡訓練速度慢和易陷入局部極值等問題。基于遺傳算法優化的RBF神經網絡對于隨機性、不確定性較強的港口船舶交通流預測具有很好的效果，能夠很好地反映交通流量變化的趨勢和規律，預測精度較高。

4 結 語

本文提出將基于遺傳算法優化的RBF神經網絡應用到港口船舶交通流量預測中，并通過對輸入交通流量數據進行反復實驗，不斷訓練預測模型，以提高預測精度。利用優化的RBF神經網絡和普通的RBF神經網絡對蕪湖港船舶交通流量進行預測，結果表明，經遺傳算法優化的RBF神經網絡預測模型比普通的RBF神經網絡具有更高的預測精度。

神經網絡預測方法突破了傳統港口船舶交通流量預測方法的局限性，尤其是經遺傳算法優化的RBF神經網絡預測值比普通的RBF神經網絡預測值更準確，在船舶交通流量預測方面有著廣闊的應用前景。如果有更長年份的某港口船舶交通流量數據，用基于遺傳算法的RBF神經網絡預測相應月份的船舶交通流量，結果會更為合理、準確。

[1] 張仁初.寧波港船舶交通流量預測研究[D].大連：大連海事大學,2008.

[2] 李紅喜,付玉慧，張仁初.港口船舶交通流量預測[J].大連海事大學學報,2009，35(3):40-42.

[3] 李國友,姚磊，李惠光，等.基于優化的RBF神經網絡模式識別新方法[J].系統仿真學報,2006，18(1):181-184.

[4] 錢華明,王雯升. 遺傳神經網絡在導航傳感器故障診斷中的應用[J].中國航海,2009,32(1):6-9.

[5] 楊建華,郎寶華.一種基于優化的RBF神經網絡交通流預測新算法[J].計算機與數字工程，2010(9)：127-130.

[6] JILALI A, ABDELOUHAB Z, SAMIRA C. Identification and Prediction of Internet Traffic Using Artificial Neural Networks[J].Journal of Intelligent Learning Systems amp; Applications,2013:234-237.

[7] 魏海坤.神經網絡結構設計的理論與方法[M].北京：國防工業出版社,2005:135-136.

[8] CHANG Wenyu, WANG Baolin . An RBF Neural Network Combined with OLS Algorithm and Genetic Algorithm for Short-Term Wind Power Forecasting[J].Journal of Applied Mathematics:2013:135-138.

[9] 趙志剛,單曉紅.一種基于遺傳算法的RBF神經網絡優化方法[J].計算機工程,2007,33(6):211-212.

[10] 吳兆麟,朱軍.海上交通工程[M].大連：大連海事大學出版社,2004:56.

[11] 張德峰.MATLAB神經網絡仿真與應用[M].北京：電子工業出版社，2009:182-187.

ShipTrafficVolumeForecastinPortBasedonOptimizedRBFNeuralNetworks

HAOYong1,2,WANGYi1,2
(1. School of Navigation，Wuhan University of Technology，Wuhan 430063， China；2. Hubei Key Laboratory of Inland Shipping Technology，Wuhan 430063， China)

Good port planning and traffic management need accurate prediction of ship traffic volume in a port, which is made by means of the ship traffic volume forecasting algorithm. The RBF neural network has a wide range of applications in this regard. The problem with RBF is the difficulties in determining parameters, such as the weights. The genetic algorithm has the advantages of fast global searching, therefore, is good for finding the ergodic initial values of weights for the RBF neural network. The RBF neural network, optimized with the genetic algorithm, is verified through the case of Wuhu port. The results show that the optimized RBF neural network is 5 percent more accurate than ordinary RBF neural network, while it uses less computing resources and shorter computing time.

waterway transportation; ship traffic volume； RBF neural network； genetic algorithm； port； forecast

2014-01-10

郝 勇 (1966-)，男，湖北潛江人，副教授，博士，從事水上交通工程和海事管理教學與研究。E-mail: marinehao@126.com.

1000-4653(2014)02-0081-04

U691

A